AI小知识点

从第一性原理构建可行动的本地 AI 代理系统（完整架构图 + 与 RAG / Agent / Skills / Tool Calling / MCP 的系统性对比） 作为一名长期专注于 AI 系统架构

1. 引言 作为一名 Web 开发者，你可能已经玩过各种大语言模型（LLM）的 Chat 界面。它们博学多才，能写诗也能改 Bug，但当你试图让它“帮我查一下昨天的订单并给客户发一封补偿邮件”时，它通

作为一名 Web 后端、前端或应用开发者，您很可能已经使用过大语言模型来生成代码、处理自然语言查询或构建简单的聊天界面。但当任务复杂度增加——例如需要多步规划、实时数据获取、错误纠正或多人协作时——单

作为一名开发人员，您可能已经熟悉了 API 网关、微服务集成以及工具调用（Tool Calling）机制。在上一篇文章中，我们讨论了 Tool Calling 如何让大语言模型（LLM）从单纯生成文本

作为一名普通开发者，你可能已经接触过大语言模型（LLM），比如用它来生成代码片段、总结日志，或者构建聊天界面。但如果你试过直接让模型处理真实业务场景，比如查询用户订单或分析实时数据，你很快就会发现一个

RAG（Retrieval Augmented Generation，检索增强生成） 是目前最常用的一种让大语言模型（比如 ChatGPT、Gemini、Claude）变得更可靠、更“懂行”的技术。